Wie behebt man ein Problem wie die Corona-Krise letzten Endes? Mit der richtigen Lösung … mit dem richtigen Medikament und dem richtigen Impfstoff. Doch wie erhält man das richtige Medikament? Durch Testen! Wie beschleunigt man den Prozess? Durch Simulationen. Das muss allerdings ordentlich gemacht werden – durch sorgfältiges, wissenschaftliches Vorgehen und in Einklang mit gründlichen Versuchsverfahren. Auf diese Art und Weise sind wir hier vorgegangen, um Lösungen für die Verkehrsprobleme in Ballungsräumen wie Berlin zu entwickeln.
Ein digitaler Zwilling und eine Simulation zu intermodaler Mobilität
Digitale Zwillinge haben sich in der Produktion als wertvoll erwiesen und kommen versuchsweise auch in anderen Bereichen wie dem Gesundheitswesen zum Einsatz (der Verfasser ist beispielsweise an der Erforschung digitaler Zwillinge für Menschen oder Verbraucher beteiligt, Link). Jetzt wollen wir den Nutzen dieses Konzepts für die Mobilität erforschen. Zu diesem Zweck haben wir einen mehrstufigen Ansatz entwickelt:
- Zunächst haben wir uns auf eine bestimmte Mobilitätsgegebenheit konzentriert; nicht alle Probleme auf einmal, sondern nur eins – wenn auch ein sehr wichtiges und geläufiges – der einfachen Fahrt von A nach B.
- Dann haben wir uns auf ein simples, bewährtes intermodales Modell für die A-nach-B-Mobilität gestützt und eine präzise, jedoch einfache Hypothese aufgestellt: Je „smarter“(vernetzter, verknüpfter), desto schneller (Schlueter Langdon 2020, Link).
- Als Drittes haben wir diese Hypothese anhand realer Daten für Berlin geprüft – sozusagen an unserem digitalen Zwilling Berlins.
- Der vierte Schritt diente dem Erhöhen der Relevanz und Erzielen zuverlässiger Ergebnisse und umfasste den Ausschluss von Durchschnittswerten und zufälliger Ereignisse aus unseren Experimenten. Stattdessen befassten wir uns mit extremen Bedingungen wie dem morgendlichen Berufsverkehr und wählten gezielt die Hauptverkehrsadern Berlins aus. Denn wenn es zu diesen Zeiten dort funktioniert, klappt es überall und jederzeit.
- Fünftens haben wir – für eine größere Belastbarkeit der Erkenntnisse – ein paar wichtige Parameter verändert, um zu überprüfen, ob Ergebnisse beeinträchtigt oder Vorteile verschwinden würden. Wissenschaftlich ausgedrückt haben wir unsere unabhängigen Variablen als verteilte Ereignisse erkannt. Dies entspricht einer Monte-Carlo-Simulation (Link):
- die Werte werden nach der Wahrscheinlichkeit ihrer Eingangsverteilung erfasst.
Bei uns war die Auswahl jedoch nicht zufällig, sondern der Topologie Berlins folgend. So wählten wir echte Parkplätze, anstatt zufällige Orte zu zeichnen, die in der Spree oder an anderen unmöglichen Stellen hätten liegen können. Unsere Ergebnisse konzentrieren sich auf ein eng gefasstes Problem und sind daher limitiert, trotzdem liefern sie Erkenntnisse – klar und deutlich. Unsere Simulation mit dem digitalen Zwilling Berlins …
- Bestätigt eine frühere Simulation mit auf Durchschnittswerten basierten synthetischen Daten, die bereits einen Trend erkennen ließ: Der intermodale Verkehr kann schneller sein (siehe „Wo bleibt die intermodale Mobilität?“, Link).
- Quantitative Schätzungen der Größenordnung dieser Vorteile sind wichtig für Kunden und bieten Betreibern im ÖPNV, Sharing-Unternehmen und Geldgebern wie den Regierungen von Stadt, Land und Bund eine zuverlässige Basis.
Abbildung 1: Jelbi-App der BVG für multimodale Mobilität in Berlin
Die Referenz: Verkehr und Mobilität in Berlin 2020
Laut dem Amt für Statistik Berlin-Brandenburg zählt die Bundeshauptstadt Berlin 3,6 Millionen Einwohner (Statistik Berlin Brandenburg, 2016, Link … und 1,2 Millionen registrierte Pkw (Kraftfahrtbundesamt, 2019). Das sind viele Menschen und auch Autos. Da ist es keine große Überraschung, dass Menschen nirgendwo in Deutschland mehr Zeit im Straßenverkehr verlieren als in Berlin. Im vergangenen Jahr waren dies im Durchschnitt 154 Stunden in zähem Verkehr und Stau – das entspricht über sechs Tagen. Auf den Plätzen folgen München mit 140 Stunden und Hamburg mit 139 Stunden (Inrix 2019). Und es gibt keine wirklichen Aussichten auf Verbesserung. Autos halten länger, die Automobilindustrie ist auf jährlich steigende Verkaufszahlen angewiesen, aber der Platz bleibt begrenzt. Demzufolge werden die Staus länger und länger. Zum Ende dieses Jahrzehnts wird sich die Personenbeförderung in Deutschland Prognosen zufolge um mehr als 12 % erhöht haben (BMVI 2016).
Als vielversprechende Lösung gelten Mikro-, Multi- und intermodale Mobilität (Bitkom 2019). Insbesondere der Mikromobilität ist große Aufmerksamkeit zuteil geworden. Kein Wunder, scheint es doch, als würden E-Scooter die Straßen Berlins überfluten: Weiß, grün, rot … Lime, Tier, Voi (Tier entstand bei hubraum, dem Technologie-Inkubator der Deutschen Telekom in Berlin). Seit Inkrafttreten des Bundesgesetzes 2019 (eKFV, Link), hat scheinbar jeder E-Scooter-Anbieter nach Berlin expandiert. Auch ein erstes multimodales Angebot ist jetzt verfügbar. Es handelt sich um Jelbi von den Berliner Verkehrsbetrieben (BVG) in Zusammenarbeit mit Trafi, einem litauischen Serviceanbieter. Die App von Jelbi bietet verschiedene Mobilitätsangebote mit nur einer Registrierung. Die Angebote beinhalten Bus, Bahn, E-Scooter, Fahrrad, Auto, Sharing-Angebote und Taxen. Jede einzelne Option wird auf einer Karte dargestellt und man kann die Kosten und Verfügbarkeit des Dienstes in Echtzeit einsehen. Zusätzlich kann man sich von der App zum gewählten Angebot führen lassen und via PayPal zahlen.
Von multimodal zu intermodal: Es ist angerichtet
Ein multimodales Angebot könnte das Sprungbrett zum intermodalen Transport sein. Merriam Webster definiert intermodalen Verkehr als „Beförderung mit mehr als einem Verkehrsmittel während einer einzigen Fahrt“ (Merriam Webster 11.04.2020). Multimodale Konzepte lassen sich mit einem Supermarkt vergleichen, in dem man die Zutaten für ein köstliches Abendessen besorgen kann. Intermodalität ist das Abendessen – das fertig angerichtete Mahl, für das jemand anderes die Zutaten und das Rezept ausgetüftelt hat. Beim intermodalen Transport geht es ausdrücklich um die Verknüpfung oder Orchestrierung unterschiedlicher Beförderungs- und Mobilitätsoptionen zu einer ununterbrochenen Beförderungskette von Haustür zu Haustür. Dabei gilt: je nahtloser – planen, buchen, fahren –, desto besser für den Verbraucher.
Abbildung 2: Ein einfaches intermodales Modell und „smarte“ Szenarien
Die Simulation: Ein simples Modell und eine gemeinsame Referenz
Die Schlüssel zum Erfolg bei Simulationen sind ein simples Verfahren und Modell (siehe z. B. Schlueter Langdon 2014) gepaart mit einer wissenschaftlich genauen Umsetzung und experimentellen Strategie (siehe z. B. Schlueter Langdon 2005). Unser Modell basiert auf einem dreifach segmentierten Design (Schlueter Langdon 2020, Abbildung 1, Link). Von Bedeutung ist dabei die Erkennung von „in der Nähe von B“, wodurch eine Fahrt von A nach B in drei Segmente aufgeteilt wird, nämlich (1) in einen ersten Abschnitt, der bei A beginnt, (2) ein Element „in der Nähe von B“ und (3) einen letzten Abschnitt, der bei B endet. Auf der Grundlage von Erkenntnissen aus MaaS-Analysen (Schlueter Langdon 2017, Link) und explorativen Studien wurden für die Simulation drei Szenarien ausgewählt: Ein Szenario, das als Referenz dient, und zwei intermodale Ableitungen. Das Referenz-Szenario ist der Standardfall. Es bildet die wesentliche Ausgangsbeobachtung und liefert die Ausgangsdaten, die zum Vergleich und zur Kontrolle herangezogen werden: Eine Person fährt mit ihrem Fahrzeug von A in die Nähe von B, parkt das Fahrzeug und geht zu Fuß zum Ziel B. A könnte die Garage dieser Person sein und B könnte ihr Büro, ein Restaurant oder ein Einkaufszentrum sein. Dies ist ein sehr typisches und daher sehr nützliches Basisszenario: Niemand kann ganz bis B fahren: durch die Vordertür, am Empfangsbereich vorbei, die Stufen hinauf ins Büro im dritten Stock. Fahrzeuge müssen also in der Nähe von B geparkt werden.
Zwei „smarte“ intermodale Szenarien
Das erste intermodale Szenario (entspricht S2 aus „Wo bleibt die intermodale Mobilität?“, Link) ist eine intelligente Parklösung wie „Park and Joy“ von der Deutschen Telekom, mit der unser Nutzer zu einem freien Parkplatz geleitet wird. Anhand von Wahrscheinlichkeitswerten für das Parken von Park and Joy wird der Fahrer zu einem Straßenabschnitt navigiert, der in der Nähe von B liegt und eine hohe Wahrscheinlichkeit freier Parkplätze aufweist – hoch bedeutet hier mindestens 80 %. Hierdurch entsteht ein neuer Ort für den Transferpunkt (Nahe B), von dem aus die Gehstrecke zum Ziel B berechnet wird. Die Fahrtzeit wird in diesem Szenario vom Startpunkt A zum Transferpunkt Nahe B (erster Kilometer) und von Nahe B zum Ziel B (letzter Kilometer) berechnet.
Im zweiten intermodalen Szenario erfolgt eine Aufwertung des letzten Kilometers vom Fußweg zum E-Scooter. Dieses Szenario basiert auf S3 in unserem Beitrag „Wo bleibt die intermodale Mobilität?“ (Link) – nur mit einem E-Scooter anstelle des Hamburger Van-Shuttles Moia (Link), den es ja in Berlin nicht gibt. Es ist ein sehr intelligentes Szenario: Der Parkplatz Nahe B wird dem nächsten E-Scooter-Angebot zugeordnet und die Dauer für den letzten Kilometer anhand dieser Zuordnung berechnet. Hierzu werden E-Scooter in der Nähe des bestimmten Parkplatzes herangezogen und der letzte Kilometer anhand des nächsten E-Scooters berechnet (Tüscher 2019, S. 36).
Abbildung 3: Wo Berliner …
Daten: Erschaffung eines digitalen Zwillings Berlins … unsere „Matrix“
Im Hollywood-Blockbuster von 1999 wurde eine künstliche Welt gezeigt, in der digitale Zwillinge der Menschen leben – die „Matrix“. Unsere digitale Welt ist stark eingeschränkt. Die Einschränkung soll sie an unsere Mobilitätsszenarien anpassen; unser digitaler Zwilling von Berlin ist eingeschränkt, damit er für realistische Experimente mit unseren drei Szenarien geeignet ist. Genauer gesagt ist unser digitaler Zwilling zeitlich, räumlich und im Hinblick auf das Nutzerverhalten eingeschränkt – auf den Berufsverkehr, nur sehr bestimmte Routen und den aggregierten Verkehrsfluss – um Datenschutzrechte zu wahren. Wir mussten den richtigen Zielbereich, entsprechende Fahrtrouten und Zeitfenster festlegen, um ein relevantes, digitales Artefakt der Stadt – einen echten digitalen Zwilling Berlins – zu erschaffen.
- Zielbereich für B: Als Zielbereiche wählten wir beliebte Orte in der Innenstadt, die für viele Routen aus den Außenbezirken in die Innenstadt repräsentativ sind. Unsere endgültige Auswahl war das Ergebnis eines dreifach geprüften Prozesses. Unser Ausgangspunkt waren die offiziellen Statistiken der Bundesregierung (siehe Abbildung 3, erste Zeile). Basierend auf dem Stadtentwicklungsplan von Berlin trafen wir eine engere Auswahl der im Plan als wichtige Zielbereiche bezeichneten Gebiete. Darunter finden sich Gebiete für Handel, Dienstleistungen, Vertrieb und Industrie, also vorrangig Büros, der Einzelhandel, Restaurants und einige Unterhaltungsstätten. Diese Angaben stammen von der offiziellen Seite der Regierung, einer Informationsquelle ersten Grades mit höchster Genauigkeit. Und doch sind diese Angaben statisch; sie geben an, wo die Menschen ihren Wohnsitz haben. Daher haben wir in einem zweiten Schritt die offiziellen statischen mit Echtzeitdaten verglichen, um möglichst wahrheitsgetreue Ergebnisse zu erzielen und das Risiko für Entscheidungsträger zu mindern. So haben wir den Soll- mit dem Ist-Zustand abgeglichen. Dieser Schritt diente der Vorbeugung des wesentlichen Makels von Umfragedaten: Umfragen können aus verschiedenen Gründen oder Verzerrungen äußerst ungenau sein. Teilnehmer können vor Scham die Unwahrheit sagen; angeben, dass sie das neue Produkt lieben, um dann loszuziehen und die alte Rezeptur zu kaufen, oder schlimmer: zur Konkurrenz gehen; oder es gibt Verständlichkeitsprobleme mit der Fragestellung. So etwas passiert ständig, zum Beispiel bei der Präsidentschaftswahl 2016 in den USA, bei denen es um die Zukunft des mächtigsten Landes der Welt ging: Die Umfragen haben auf ganzer Linie versagt. Durch die Bank wurde die Unterstützung für Trump in den Umfragen deutlich unterschätzt (Pew 2016). Trotzdem wird dieses Instrument weiterhin genutzt, weil es billig ist. Es ist üblicherweise eine schnelle und einfache Lösung. Zudem gibt es nobelpreisgekrönte Studien, die all dies belegen (siehe Griffin & Kahneman 2002; für eine Kurzdarstellung der Aussagekraft von Umfrageergebnissen bei der Analyse der Customer Journey in der Automobilbranche siehe Crosby & Schlueter Langdon 2014). Das können wir besser. So basiert die zusätzliche „Realitätsüberprüfung“ für die Auswahl des repräsentativsten Zielbereichs für B auf anonymisierten Daten aus dem Mobilfunk (siehe Abbildung 3, zweite Zeile). Auf diese Weise konnten wir echte Personenbewegungen nachvollziehen, die zeitliche und räumliche Verteilung von Menschen nebst Bewegungsmuster – und all dies unter Wahrung der Datenschutzvorschriften. Zu guter Letzt haben wir unsere Kandidaten in einem dritten Schritt noch einmal auf die Verfügbarkeit von (a) Parkplatzprognosen und (b) Mikromobilitäts-Angeboten überprüft (siehe Abbildung 3, dritte Zeile).
- Routen: Auch bei der Auswahl der Routen verfolgten wir einen mehrstufigen Ansatz, um die repräsentativsten und am besten verallgemeinerbaren Ergebnisse sicherzustellen: Als erstes haben wir uns für eine bessere Repräsentanz den Hauptverkehrsadern von Berlin zugewendet, die wir ebenfalls den Statistiken der Bundesregierung, dem Stadtentwicklungsplan für die Stadt Berlin, entnahmen, um die Auswahl einzugrenzen (siehe Abbildung 4, Tüscher 2019, 40). Damit die Ergebnisse auf einem breiteren Fundament beruhen und somit besser verallgemeinerungsfähig sind, beschränkten wir die Experimente zudem nicht auf eine einzige Route. Stattdessen wählten wir vier Routen. Für eine weitere Stärkung der Belastbarkeit unserer Ergebnisse sorgte schließlich die Unterteilung in Richtungen. So finden sich in unserer endgültigen Auswahl Routen, die ungefähr den Himmelsrichtungen Norden, Osten, Süden und Westen folgen (siehe Abbildung 4).
- Wochentag und Tageszeit: Wie bei der Auswahl des Zielbereichs und der Routen wählten wir für Berlin geeignete Zeitfenster, die aussagekräftige Ergebnisse liefern sollten. Aus diesem Grund simulierten wir (a) verschiedene Zeitfenster und (b) für den Berliner Stadtverkehr kritische Uhrzeiten. Heraus kamen drei unterschiedliche Tageszeiten, an denen der Berliner Straßenverkehr am schlimmsten ist: Der Berufsverkehr morgens und abends und der Verkehr um die Mittagszeit. Darüber hinaus haben wir unsere Daten aggregiert, um die Situation an einem durchschnittlichen Wochentag und ausdrücklich nicht am Wochenende abzubilden.
Abbildung 4: Vom Verkehrsfluss in die und innerhalb der Stadt zu vier zentralen Routen
Analysen: Jetzt wird‘s „smart“
Nach Erstellen unserer Datenpipeline für unseren digitalen Zwilling Berlins wandten wir uns im nächsten Schritt der Analytik zu – der Entwicklung der Algorithmen für die „smarten“ Elemente unserer Hypothese.
- Szenario S1 (intelligentes Parken) – Verkehrs-Routing: Für die Berechnung der schnellsten Route für Szenario S1 musste ein Parkplatz „in der Nähe von B“ gefunden werden, der (a) verfügbar und (b) in kürzester Gehstrecke von B entfernt war. Die Parkplatzverfügbarkeit wurde der Parkprognose von Telekom Park and Joy entnommen. Die kürzeste Gehstrecke musste mit einem Routing-Algorithmus berechnet werden. Da sich unsere „Matrix“ in einer Jupyter-Notebook-/Python-Umgebung befand, wählten wir die Open-Source Routing-Machine (OSRM 2019), mit der sich eine API-Schnittstelle in unsere Jupyter-Umgebung integrieren ließ.
- Szenario S2 (smart2: Intelligentes Parken in Kombination mit E-Scooter) – Zuordnung für den letzten Kilometer: Im nächsten Szenario wird es komplizierter, da die Reisezeit weiter verkürzt werden soll, indem möglichst viel Gehstrecke von Nahe B zu B durch eine E-Scooter-Fahrt ersetzt wird. Im Optimalfall findet man einen Parkplatz direkt neben einem E-Scooter. Oder aber so in der Nähe eines E-Scooters, dass der Fußweg zu ihm und die anschließende Fahrt immer noch weniger Zeit erfordern, als die gesamte Strecke vom Parkplatz zu B zu gehen. Abbildung 5 veranschaulicht, wie wir verfügbare Parkplätze E-Scootern zugeordnet haben, um die Reisezeit insgesamt zu verkürzen. Der Zielbereich B wird durch das blaue Fähnchen markiert. Der grün hervorgehobene Straßenabschnitt kennzeichnet den Parkplatz, der laut Prognosedaten von Telekom Park and Joy in kürzester Entfernung zu B liegt. Das rote Fähnchen gibt den laut E-Scooter-Daten nächsten E-Scooter von „Nahe B“ aus an.
Abbildung 5: Zuordnung für den letzten Kilometer
Testumgebung im Telekom Data Intelligence Hub
Unsere „Matrix“ entsteht in einer Testumgebung, einer virtuellen Sandbox des Telekom Data Intelligence Hub (Link). Dessen Organe sind cloudgestützte Jupyter-Notebooks, Python-Bibliotheken und andere Module wie Routing-Engines, Visualisierungstools und weitere angedockte Drittanbieterkomponenten (jetzt kostenlos testen … oder uns für eine eigene Sandbox ansprechen). Die Testumgebung ist standardmäßig eine cloudgestützte Open-Source Umgebung für die Datenanalyse (teurere und herstellereigene Tools wie z. B. von Cloudera sind ebenfalls erhältlich). Sie löst für uns verschiedene Probleme. So dient sie uns als
- Analyse-Arbeitsplatz zum Erstellen von Algorithmen, eigenen Codes und Wiederverwenden der Assets anderer
- Datenpipeline zur Datenverarbeitung und Vorbereitung AI-fähiger Daten
- Laufzeitumgebung für Experimente und Hypothesetests
- Zentrale Anlaufstelle für Visualisierung, Dokumentation und Asset-Management (Daten und Algorithmen)
Zudem bietet sie eine Funktion zum Verwalten der „Rollen und Rechte“, die Multi-Mandantenfähigkeit ermöglicht. So können wir mit Dritten wie anderen Wissenschaftlern oder Institutionen zusammenarbeiten, obwohl wir firmeneigene Daten wie die von Telekom Park and Joy oder anonymisierte Signalisierungsdaten aus dem Mobilfunk verwenden.
Abbildung 6: Simulationen mit dem digitalen Zwilling Berlins belegen quantitativ: „je ‚smarter‘, desto schneller“ (Basierend auf Abbildung 5 in „Wo bleibt die intermodale Mobilität?“, Link)
Ergebnisse und Aussagekraft
In einer früheren Arbeit konnten wir bereits belegen, dass das „smarte“, also intelligente, Verknüpfen von Verkehrsmitteln die Reisedauer für Endbenutzer verkürzen kann – damals jedoch auf der Grundlage eines fiktiven Orts mit Durchschnittswerten. Nun haben wir dieses Modell auf die Stadt Berlin zu bestimmten Tageszeiten und mit für den Stadtverkehr entscheidenden Routen angewendet und die Ergebnisse bestätigen den Trend quantitativ. Zudem legen unsere Experimente nahe, dass die Zeitersparnis über 10 % betragen könnte. Dieses Ergebnis geht weit über Rauschen hinaus, es kann sich nicht um eine zufällige Abweichung handeln. Über 10 % ist ein deutliches Anzeichen, dass wirkliche Verbesserungen eintreten können. Insbesondere da wir das Modell in einem sehr spezifischen Kontext ablaufen ließen – in Berlin. Die Bezeichnung „digitaler Zwilling Berlins“ kommt nicht von ungefähr, da die Simulation auf Werten basiert, die der Berliner Realität entsprechen – es ist also eher ein echtes Experiment als eine Simulation. Anders ausgedrückt kämen Sie zu ähnlichen Ergebnissen, wenn Sie das Experiment tatsächlich in den Straßen Berlins durchführen würden (also die Stoppuhr eingepackt und dann los …). Und natürlich klingt „digitaler Zwilling Berlins“ auch interessant und erregt Ihre Aufmerksamkeit. Dadurch wird zudem klar, dass wir an jeder Stelle mit großer Sorgfalt vorgegangen sind, keine Abkürzungen genommen oder eine willkürliche Auswahl getroffen haben. Im Gegenteil: Wir haben Statistiken der Regierung um Echtzeitbewegungsdaten ergänzt und auf dieser Grundlage echte Ziele ausgewählt, wir haben die Routen entlang der Hauptverkehrsadern – nicht nur eine, sondern vier – in verschiedenen Himmelsrichtungen gewählt, uns keiner durchschnittlichen Tageszeit, sondern der mit dem schlimmsten Verkehr in Berlin gewidmet und das für drei Zeitfenster: Wenn es zu diesen Zeiten dort funktioniert, klappt es überall und jederzeit. Abbildung 7 illustriert die Vielfalt der Simulationsläufe und fasst die quantitativen Ergebnisse zusammen.
Abbildung 7: Verkürzte Reisedauer in Prozent (angelehnt an Tüscher 2019)
Worauf warten wir noch? Okay, Verbrauchervorteile sind nur die erste Erfolgsvoraussetzung. Unternehmen müssten verstehen, in wieweit und auf welche Art und Weise sich dieser Wert zu Geld machen lässt. Hierzu wäre ein weiteres unterschiedliches Modell wie in unserem vorherigen Beitrag behandelt erforderlich (siehe “Kein Vorankommen im Verkehr“ Link. An diese zweite Voraussetzung für Erfolg ist die Rolle der Daten gebunden. „Smart“ geht nur mit Daten. Nehmen wir Uber: Die Zuordnung eines Fahrgastes und zu einem Fahrer ist von Daten abhängig, nämlich den Standorten von Fahrgast und Fahrer, der Verfügbarkeit und den Verkehrsbedingungen … jeweils mit demselben Zeitstempel. Ohne diese Daten könnte Uber kein Beförderungsangebot orchestrieren. Für die Uberisierung müssen alle Beteiligten – Fahrgäste und Fahrer – Daten nahezu in Echtzeit weitergeben. Dasselbe gilt für die intermodale Mobilität: Datenweitergabe ist der Schlüssel. Das Problem ist offensichtlich: Einige Beförderungsoptionen stehen miteinander im Wettbewerb (ÖPNV, Taxen, E-Scooter usw.) Somit sind einige Dienstleister Wettbewerber und trauen sich gegenseitig nicht über den Weg. Jeder möchte den Kunden oder die Kundenanbindung „besitzen“ und die Kundendaten für sich behalten. Zudem kann eine Datenschutzvorschrift wie die DSGVO als Ausrede zur Nichtweitergabe wichtiger Daten dienen. Abhilfe könnte eine Technologie schaffen, die nicht auf Vertrauen zwischen den Beteiligten basiert. Es würde reichen, wenn die Beteiligten einer gegenseitig gewinnbringenden Datentransaktion vertrauen würden. Hier kommt unsere Arbeit an der IDS-Norm ins Spiel. IDS ist eine DIN-Spec-Norm für den Datenaustausch unter Wahrung der Datensouveränität (Otto et al. 2019 und IDSA-Blog, Link). Oder, um es in meinen Worten auszudrücken: IDS ermöglicht es Parteien, die einander nicht trauen, einer bestimmten Datentransaktion zu trauen.
Weitere Versuchsreihen mit „Killer“-Anwendungen der Mobilität – wie dem intermodalen Transport – werden folgen. Außerdem geht unsere Arbeit an der Dateninfrastruktur weiter, die diesen Anwendungen zugrunde liegt und diese erst ermöglicht.
Quellen
Amt für Statistik Berlin-Brandenburg. 2016. Einwohner am Ort der Hauptwohnung am 21. Dezember 2015, link
Bitkom. 2019. E-Scooter sollen beim Klimaschutz helfen. Pressemitteilung (May 6), Berlin, link
BMVI, Federal Ministry Bundesministerium für Verkehr und digitale Infrastruktur. 2016. Summary of the 2030 Federal Transport Infrastructure Plan (August 3rd), Berlin, link
Crosby, L., and C. Schlueter Langdon. 2014. Technology Personified. Marketing News, American Marketing Association (February): 18-19, link
Griffin, D.W. and Kahneman, D. 2002. Judgment heuristics: Human strengths or human weaknesses? In L. Aspinwall & U. Staudinger, (Eds.), A psychology of human strengths: Perspectives on an emerging field. Washington D.C.: 165-178
Inrix. 2019. Berlin ist Deutschlands Stauhauptstadt. Press Release (February 12), Munich, link
Kraftfahrt Bundesamt. 2019. Bestand an Kraftfahrzeugen und Kraftfahrzeuganhängern nach Zulassungsbezirken, (xlsx (Januar 1), link
OSRM. 2019. OSRM API Documentation, link
Otto, B., D. Lis, J. Juerjens, J. Cirullies, S. Opriel, F. Howar, S. Meister, M. Spiekermann, H. Pettenpohl, and F. Möller. 2019a. Data Ecosystems: Conceptual Foundations, Constituents and Recommendations for Action. Fraunhofer ISST Report, ISSN 0943-1624 (October), Dortmund
Pew. 2016. Why 2016 election polls missed their mark. Fact Tank (November 9), link
Schlueter Langdon, C. 2020. Quantifying intermodal mobility: A parsimonious model and simulation. Working Paper (WP_DCL-Drucker-CGU_2020-06), Drucker Customer Lab, Drucker School of Management, Claremont Graduate University, Claremont, CA
Schlueter Langdon, C. 2014. 3-Step Analytics Success with Parsimonious Models. In: Wang, J. (ed.). Encyclopedia of Business Analytics and Optimization. Idea Group Publishing: Hershey, PA; London: 1-13
Schlueter Langdon, C. 2005. Agent-Based Modeling for Simulation of Complex Business Systems: Research Design and Validation Strategies. International Journal of Intelligent Information Technologies 1(3) (July): 1-13
SenStadtUm, Senate Department for Urban Development and the Environment. 2016. Urban Structure – Area Types Differentiated. Environmental Atlas Map, Berlin (June), link
SenStadtWohn, Senate Department for Urban Development and Housing. 2017. Traffic Volume, Berlin, 2014 (April), link
Tüscher, B. J. 2019. Analysis of intermodal mobility scenarios by prototypical testing of travel scenarios. Bachelorarbeit, Hochschule für Telekommunikation Leipzig, University of Applied Sciences, Leipzig
UVK Berlin, Senatsverwaltung für Umwelt, Verkehr und Klimaschutz. 2017. Mobilität in Städten. Berliner Verkehr in Zahlen 2017 (Dezember), Berlin
